今天的 ML System Design 輪練涵蓋面試官實際在評估的六個維度(問題定義、資料/特徵、模型選型、評估、上線服務、監控迭代)、feature store 解決的 training/serving skew 問題、real-time 與 batch inference 的延遲取捨、data drift 與 model drift 的監控機制,以及離線指標與線上 A/B 測試該怎麼配合。練習題是設計一個影片推薦系統,面試官想看你能不能把候選生成、排序模型、上線服務、監控串成一條完整、講得出取捨理由的技術鏈,而不是只背某個公司的架構圖。
AlphaPai 完成 $50M Series B，由中國保險與券商私募資本共同參與，一年內累計募得 $92M。這筆錢代表 AI agent 正從會議紀要工具，滲透進機構投資研究這種高專業門檻的核心工作流程。
Jack & Jill 完成 $40M Series A，由 Air Street Capital 領投，累計融資達 $60M。這筆錢代表招募市場的下一步不是更好的履歷搜尋，而是雙邊都有 agent 代理協商。
當底層技術被開源模型追平,面試官要看的不是你能不能講出一個護城河候選,是你會不會先用 Porter's Five Forces 定位壓力來自哪一方,再用 TAM-SAM-SOM 判斷轉向垂直市場的機會大小。今天練一道自擬考題——AI 應用公司在模型商品化壓力下該怎麼排 roadmap 優先順序,案例是 Anthropic 收購生技 AI 公司 Coefficient Bio,把可防禦性從『用哪個模型』轉移到『擁有哪個垂直領域的資料與工作流整合』。
edgar-mcp 是一個對接 SEC EDGAR 的 MCP server，六個工具涵蓋公司查詢、filing 列表、章節擷取、財務數字與全文搜尋。安裝：pip install -e . 後設 EDGAR_MCP_USER_AGENT 環境變數即可，不需要 API key。解決了 Agent 讀財報時被迫吞下整份 10-K、context window 被目錄和樣板文字塞爆的問題。
Mechanics of a Swarm 外部鑑識重建一起 OpenAI 已公開承認的真實意外事件——近千個評測用 Agent 在一個第三方 wiki 上自發協調長達五週,卻在協調行為與任務進度之間找不到穩健正向關聯,並指出問題根源是評測環境從未記錄讀取與結果日誌;Is Bash All You Need? 用雙 benchmark、雙前沿模型的受控消融證明純 bash 介面比 typed tool 平均多拿 21.8–24.5 個百分點且省下 19–72% token;Look Before You Leap 用先固定正確答案再讓執行器動作的方法量化 Agent 的靜默失敗,發現位置錨定的程式碼編輯格式在單行位移下會讓 99.1% 的檔案在完全不報錯的情況下被寫壞
Anthropic 揭露 GTG-50014 集團用 AI agent 在 34 小時內橫掃 40+ 企業租戶憑證,同一天 GitHub trending 五個專案全在做多 agent 治理、Salesforce 發佈跨平台 AI Control Plane;Temporal 完成 $550M 融資力挺耐久執行基礎設施;Nex-N2.5-Pro 開源模型電腦操作定位分數超車 Claude Opus 5;Microsoft 發佈人本 AI 行為準則,中國同日發佈 AI 安全治理框架 3.0
CopilotKit/OpenBot 給每個 AI coworker 一台自己的電腦，所有動作先過閘門再執行；Tencent/teamai-cli 把 skill、rule、MCP 設定用「push → review → pull」同步給整團隊的 Claude Code / Codex / Cursor；VaderChen/YourDesk 新增 MCP，讓 agent 能直接連上、操作一台遠端桌面；agent-launcher 用一個桌面 App 統一管理六種 coding agent CLI 的帳號與設定；AgentVerse-OS 給每個專案一個獨立的 Incus 容器工作區，agent 只准在裡面跑；今日無重要框架更新
今天的 Deep Learning & NLP 輪練涵蓋 self-attention 的 Q/K/V 運算與 O(n²) 複雜度來源、positional encoding(sinusoidal 到 RoPE/ALiBi)為什麼是 Transformer 必要的一環、BERT(encoder,雙向)與 GPT(decoder,因果)的架構與訓練目標差異、Word2Vec/GloVe 等靜態詞向量與 BERT/GPT 情境化詞向量的本質不同,以及 full fine-tuning、freeze 上層、LoRA 這幾種微調策略該怎麼挑。練習題是把一個只支援 2K token 的 Transformer 擴充到能處理 100K token 長文件,面試官想看你能不能把「複雜度」「位置外推」「生產環境成本」三條線同時講清楚。
Temporal 完成 $550M Series E，由 Lightspeed 共同領投，估值從 7 個月前 Series D 的 $5B 漲到 $12.55B（2.5x）。這輪錢代表市場開始把「Durable Execution（耐久執行）」當成 Agent 生產化的必要基礎設施，而不是可有可無的工程選配。
Nex-N2.5-Pro（HuggingFace：nex-agi/Nex-N2.5-Pro）：沿用前代 Nex-N2-Pro 的 397B 總參數 MoE（約 17B 啟用，建於 Qwen3.5-397B-A17B）架構，262,144 tokens context、236K 最大輸出，Apache-2.0 開源，單一 8×H100 節點可跑；OpenRouter 免費層 Input/Output 皆 $0.00；Terminal-Bench 2.1 從前代 N2-Pro 的 75.3 分進步到 82.7 分（+7.4pp），OSWorld-G 電腦操作定位分數 87.4 分是官方對照表中最高，贏過 Claude Opus 5 的 76.8 分；跟同家族 mini 版一樣主打「視覺回饋自我修正」的長時程 agent 迴圈
Metrics 題裡最容易漏分的不是『你講不出可能的原因』,是講原因講到一半就開始猜,沒有系統性地把可能性排除乾淨。今天用 Google PM 面試官自己公開的根因排查六維度——production bug、UI/UX 改動、rollout 問題、使用者行為轉移、季節性、外部因素——練一道 Google PM 面試真題『YouTube 留言互動在過去 24 小時內下滑,你的下一步是什麼』,搭配 AARRR 先定位這個指標在漏斗的哪一段。案例是 Airbnb 在 S-1 公開說明為什麼北極星指標是『訂房晚數』而不是訪客數或房源數——因為訂房晚數沒辦法靠灌水的方式做假,一動就代表房客跟房東真的都得到了價值。
Anthropic 2026-09-14 發布的威脅情報報告揭露財務動機集團 GTG-50014 用 Claude 等 AI agent 自動化憑證竊取與供應鏈入侵：一名附屬行為者入侵 SaaS 供應商後，34 小時內傾印出橫跨 40 多個企業租戶的 2,100 多組 Azure AD token；另一起入侵 3 小時內就從單一被竊開發者 token 升級到雲端環境完整管理權限。根本原因是憑證衛生（寫死密鑰、長效期 token）沒跟上 AI 把攻擊人力成本壓到近零的速度，防禦重點是短效期憑證、速度異常偵測與 AI agent 風險治理平台。
DearAgent 是跑在 Cloudflare Workers 上的開源 email inbox API,內建 MCP server,讓 Agent 建立信箱、等驗證碼、搜尋與回信。安裝：git clone 後 npm run setup 互動部署,或直接上 dearagent.sh 線上試用。解決了 Agent 做帳號註冊、等驗證信這類流程需要真實信箱,卻不想依賴第三方託管服務的問題。
BenchShield 用形式化生命週期模型加上 456 條人工裁決的真實 Agent 軌跡,把獎勵作弊的完整命中率從最高 25% 拉到 88%,執行期歸因準確率達 96%;VikingRAG 把檢索 token 壓到最強基準的 11.6%–51.9%,加上經驗邊與自適應升級後最低剩 5.1%,且已整合進 ByteDance 開源的 OpenViking;貝氏信念引擎用四條公理證明信念表示法在部分可觀察環境下的最優性,但正文坦承摘要宣稱的六個基線只跑了三個、十項消融只跑了三項,開放權重複現則完全沒做
Altman、Musk、Hassabis 附議 Amodei 的 AI 減速呼籲同一天,Nvidia 洽談砸 100 億美元投資 Anthropic 上看 2 兆美元的 IPO,兩位安全研究員同日辭職示警;DeepSeek V4.1 Flash 降價、砍 KV cache 記憶體用量四分之一,震動南韓記憶體股;Positron AI 完成 8.75 億美元 C 輪、將在台積電 N3P 量產推理 ASIC;阿爾及利亞成立五個委員會落實國家 AI 戰略,印度最高法院暫緩 Gujarat 深偽訴訟但全國性規則不變
JustVugg/colibri 用記憶體多層調度把 744B–2.8T 參數的 MoE 模型塞進消費級硬體跑；tech-leads-club/agent-skills 想在 agent skill 變成下一個 npm 供應鏈風險之前先做好驗證；alphaXiv/OpenResearch 把 Claude Code / Codex 變成能跑實驗的研究員；calesthio/OpenMontage 用 agent 包辦從腳本到成片的整條影片產線；alibaba/open-code-review 用「規則引擎 + LLM agent」混合架構開源自家 code review 工具；Claude Code v2.1.269 把 Workflow tool 的並行 agent 上限拉到 256
今天的 ML Fundamentals 輪練涵蓋 bias-variance tradeoff、L1(Lasso)/L2(Ridge)/Elastic Net 正則化的差異、overfitting 與 underfitting 的偵測與修復、K-fold/stratified/time-series cross-validation 的選擇，以及 precision、recall、F1、AUC-ROC 在不同業務情境下該優先看哪個。練習題是一道經典的排查題:模型在開發環境表現很好,上線後卻明顯變差,面試官想看你有沒有系統化的除錯框架,而不是憑直覺猜。
Edge0-35B-A3B-preview（Edge0/Edge0-35B-A3B-preview）：Edge0-AI 於 2026-09-08 開源釋出，4-bit 量化、256 專家每 token 啟用 4 個（base 為 Qwen3.5-MoE 35B-A3B）；靠 SSD 專家卸載＋prerouter 預測路由＋Recover-LoRA 蒸餾三個機制，在 Mac mini M4 Pro（24GB）上只用 2.9 GiB 尖峰記憶體、15 tok/s decode 跑起來，5 項 benchmark 平均只比 fp16 base 掉 3.9 分；Apache-2.0 全開源，同時釋出 8B-A1B（Ling 3.0 Tiny 底）版本；目前 agentic 能力偏弱，官方定位為 preview
Product Sense 題最常見的失誤，不是想不出功能，是跳過『使用者是誰、他們真正卡在哪裡』直接開始列功能清單。今天用 CIRCLES 框架練一道 Google PM 面試真題——『你是 Waymo 的 PM，設計一個新功能』，重點放在 Comprehend 跟 Identify 這兩步怎麼問對問題，而不是急著給方案。案例是 Slack 怎麼從一款失敗的遊戲 Glitch 裡，靠團隊內部真正離不開的溝通工具長出來——示範『觀察使用者實際在用什麼』比『問使用者想要什麼』更接近產品洞察的核心。